自然语言处理入门内容大纲：文本预处理经典序列模型RNN及其变体Transformer迁移学习文本预处理认识文本预处理作用：文本语料在输送给模型前一般需要一系列的预处理工作，才能符合模型输入要求，如将文本转换成模型需要的张量、规范张量的尺寸等。而且科学的文本预处理环节还将有效知道模型超参数的选择，提高模型的评估指标。文本预处理中包含的主要环节：文本处理的基本方法分词词性标注命名实体识别文本张量表示方法one-hot编码Word2vecWord E

自然语言处理入门内容大纲：文本预处理经典序列模型RNN及其变体Transformer迁移学习文本预处理认识文本预处理作用：文本语料在输送给模型前一般需要一系列的预处理工作，才能符合模型输入要求，如将文本转换成模型需要的张量、规范张量的尺寸等。而且科学的文本预处理环节还将有效知道模型超参数的选择，提高模型的评估指标。文本预处理中包含的主要环节：文本处理的基本方法分词词性标注命名实体识别文本张量表示方法one-hot编码Word2vecWord E

文章目录欢迎访问我的个人博客LevelDB Arena源码分析什么是ArenaArena的实现思路Arena的实现Allocate的实现AllocateAligned的实现总结参考 欢迎访问我的个人博客 博客 LevelDB Arena源码分析 什么是Arena Arena是LevelDB中实现的一个简易的内存池。因为LevelDB是一个key-value数据库，所以当为较小的key或value分配内存时可能会引起内存碎片以及性能问题（频繁调用new和delete）。Arena就是为了解决这些问题的。Are

目录staticexterndefine 宏static可用在局部变量 全局变量 函数1.局部变量void test()//进函数a生命周期开始{ int a = 1;//a局部变量，再进来a还是1，循环往复 a++;//2 printf("%d", a);//2222222222}//出函数a就销毁了还给操作系统int main(){ int i = 0; while (i < 10) { test(); i++; } retur

BPF和eBPF是什么? 简单来说, BPF提供了一种在和各种内核和应用程序事件发生时运行一段小程序的机制 BPF是一项灵活而高效的技术, 由指令集, 存储对象和辅助函数等几部分组成,由于它采用了虚拟指令集规范, 因此也可将它视作一种虚拟机的实现. 这些指令由Linux内核的BPF运行时模块执行. 具体来说, 它运行时提供两种机制:一个解释器和一个将BPF指令动态转换为本地化指令的即时(JIT)编译器 主要作用:跟踪, 嗅探, 采样, 剖析和可观察性 BCC, bptrace和IO Visor 直接通过BP

在linux内核编写中, 为了维持与gcc输出汇编程序的兼容性, as汇编器使用AT&T系统的V的汇编语法(下面简称为AT&T语法). 这种语法与Intel汇编程序使用的语法(简称Intel语法)很不一样, 他们之间的主要区别有以下几点: AT&T语法中立即操作数前面要加一个字符"$";寄存器操作数名前要加字符百分号"%", 绝对跳转/调用(相对于与程序计数器有关的跳转/调用)操作数前面要加"*". 而Intel汇编语法没有这些限制 AT$T语法与Intel语法使用的源和目的操作数

CFS(Completely Fair Schduler), 首次出现于Linux2.6.23。 CFS区别于其他调度算法的最突出一点是CFS保证每个任务分配到公平的运行时间。 经典抢占式调度通常包括多个调度队列，每个进程优先级一个：高优先级队列中的每个进程在低优先级队列中的任何进程之前被调度。例如，VAX/VMS 使用 32 个优先级队列进行调度。CFS 省去了固定的时间片和明确的优先级。处理器上给定任务的时间量是随着调度上下文在系统生命周期中的变化而动态计算的。 CFS的一些概念 目标延迟（targ

Python的几个知识点 最近博主学到了几个Python中比较重要的几个知识点，写篇博客记录一下。 ==和is的区别 虽然之前大概知道==和is的区别，但是一直感觉模模糊糊，今天写代码的时候恰巧遇到了这个问题，就去查了一些资料，明确了一下。 ==运算符用与判断两个变量所引用的对象的值是否相等，is则是判断两个变量引用的是否是同一个对象。假设v1、v2是两个引用可变对象的变量，如果v2是由v1浅拷贝得到的(或者是赋值得到的)，那么v1和v2引用的是同一个可变对象，所以v1 == v2和v1 is v2都返回T

MMOE多任务模型 18年KDD google 原文链接：Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts 论文中提出了一个Multi-gate Mixture-of-Experts(MMoE)的多任务学习结构，学习任务之间的关系与特定任务功能，自动分配参数捕获共享任务信息或特定任务信息，避免了明显增加参数的缺点。 MMOE这篇论文，更像是一个多任务的一个框架，提供了一个简单又具有一定可

ESSM模型 2018 阿里妈妈 SIGIR 原文链接：Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate 该论文基于Multi-Task Learning 的思路，提出一种新的CVR预估模型，有效解决了真实场景中CVR预估面临的数据稀疏以及样本选择偏差这两个关键问题。 Sample Selection Bias (SSB)：转化是在点击之后才“有可能”发生的动作，传统